张倩报道

当 AI「炼丹师」遇上荷兰「老农」,究竟谁更会种番茄?

一边是种了 30 多年番茄的荷兰“老农”,一边是每天在实验室沉迷调参的“炼丹师”,究竟谁更会种番茄?

Ted Duijvestijn 是荷兰一家番茄种植公司的负责人。1988 年,他和自己的两个兄弟从父亲手里接过衣钵,开始种植番茄。一晃三十多年过去了,他们的种植公司已经成长为荷兰知名的高科技绿色农业种植企业,还拿过“世界番茄最具创新奖”。

最近,这位三十多年工作经验的 “老农” 参加了一项新的比赛:和整天坐在电脑前的 AI“炼丹师”PK 自己的老本行——种番茄。

当然,说 “PK” 可能有点夸张,他真正的身份是第二届国际人工智能温室种植大赛的农业种植专家,为大赛提供参照组结果。

这是一场腾讯 AI Lab 与世界著名农业学府荷兰瓦赫宁根大学联合举办的大赛,目前已经是第二届了,第一届是比赛种黄瓜。

大赛于 2019 年 7 月启动,今年 6 月正式落幕,参赛者要用 AI 和 IoT 物联网等前沿技术优化种植决策,并远程自动控制温室种植小番茄。在比赛过程中,他们要实现五大目标:品质好、产量高、能耗少、自动化、技术可迁移。

具体来说,参赛者要将模拟数据和瓦赫宁根大学的真实自动化温室结合,利用摄像头或其他传感器等收集温室气候及番茄生成数据,打造 AI 算法优化番茄种植决策与温室远程控制方案,再利用仿真温室环境的模拟器进行效果测试与模型迭代,从而创造一个可控环境下的通用人工智能种植方案,相互竞争更优种植结果。除此之外,他们的结果还要和农业种植专家的人工控制结果相比较。

这一比赛吸引了来自全球 26 个国家的顶级农业与 AI 领域的企业、大学和研究机构参与,超过 200 名专家与学生组成 21 支团队参加初赛。

最终,来自中国、韩国、荷兰、瑞士等国家和地区的五支队伍脱颖而出,进入决赛。

黄瓜之后,番茄也被 AI 攻陷了

去年 12 月,六支团队(五支 AI 团队 + 一支农业种植专家团队)开始在相同环境下种植同一品种的番茄。最近,几个实验温室迎来收获季。6 月 10 日,腾讯宣布了本次大赛的最终结果。

与其他种植比赛不同的是,此次人工智能温室种植大赛不以产量为唯一的评价指标,还考虑能耗、环境污染等问题。因此,评审团最终按三个维度打分,一是作物净利润(占 50%,包括产量、品质、价格等指标),二是 AI 应用(占 30%,包括自动化、创新性、功能性、抗干扰鲁棒性、可规模化、可迁移性等指标),三是可持续性(占 20%,包括水、肥、电、热和二氧化碳等资源的利用效率)。

在本次大赛中,五支 AI 团队的净利润均超越了农业种植专家组。其中,冠军组 Automatoes 得到满分,实现亩产资源消耗减少 16%,净利增加 121%(荷兰多采取 12 个月种植模式,因赛制需要 6 个月提前收成,此期间实验组相比对照组净利润增加 121%)。

图注:所有 AI 组净利润均超越了专家参照组(303 号为专家组。306 号为冠军组 Automatoes)。

对此,腾讯首席探索官网大为(David Wallerstein)表示:“这代表 AI 能做并能做好温室的‘高级管理员’,监测和控制影响黄瓜、番茄等作物生长的重要环境因素(修剪和采摘现在仍由人类完成)。AI 不仅能提高作物产量,还能节约资源,增加利润。”

AI 种番茄,难在哪儿?

大赛组织方 WUR 为每个参赛组配备了 96 平方米的自动化温室,设备包括包括通风系统、遮光系统、加热系统、气肥机、混 LED 补光灯、基质栽培系统及标准传感器(用于温度、湿度和二氧化碳测量)。

此外,这次比赛对 AI 与 IoT 技术方案提出了更高的要求,并优化迭代了温室仿真器。具体来说,仿真器中新增了肥料控制,能够精准地施放作物所需肥料,减少资源消耗。在作物管理模块,模拟器还可以设定一个簇中的最大果实数,并支持留叶策略和留果策略。此外,该仿真器还新增了 3 种遮光选项,包括透光型、透气型和遮光型,来更好地适应实际种植环境。

数据、知识、真实市场:大赛的三座大山

前面已经说过,大赛要求几个 AI 组用更少的资源种植更多的作物,以净利润为主要的客观考察指标,这就给参赛队伍提出了几大难题。

第一个问题是,在进行真实温室种植之前,用于人工智能训练的数据量极为稀少,任何现有的人工智能和机器学习方法都难以直接应用。

在比赛中,各支队伍从不同的角度克服这个困难。有些通过对往年比赛数据深入的 EDA(探索性数据分析),结合仿真器,充分利用已有数据发现光照和温度的最佳配置。然后以该配置为基础,进行局部的控制优化,降低人工智能的学习复杂度和提升控制系统的鲁棒性。还有队伍从整体闭环控制角度精细使用传感器(例如引入果实重量传感器,或者队伍自行研发基于计算机视觉的传感器等),通过额外的数据实时反馈对人工补光、灌溉等做精细粒度的控制,做到全局最优。

第二个问题是,大赛要求参赛队的决策是自主的,参赛队必须把跨学科的人类知识有效地融入到一个自动化控制程序中。对于农业这一数字化程度和计算机技术应用程度都非常低的学科来说,这点是极其困难的。

针对这一问题,有些队伍通过农业学科知识库建立农业知识图谱,并通过结合数据获得一个最优的自动决策函数,有效地结合人类知识与数据驱动方法。也有队伍通过对作物生长做局部数学建模,把人类知识融入到该模型中,然后通过数学优化获得自动化控制算法。

第三个问题是,本次比赛的净利润是根据真实的市场售价确定队伍温室的收入,因此还需要考虑作物的口感。然而,在现有的作物模型里,这一指标难以定量计算,因此为人工智能的设计和训练带来很大困难。

在这一问题中,口感的影响因素很多,但主要由糖含量决定。这次参赛的队伍基本上都把口感当做一个独立的优化目标单独考虑,通过农学知识进行优化。也有队伍考虑经济学模型,通过市场价格预判做精细优化。

冠军团队解决方案

在本次比赛中,虽然五支 AI 团队都取得了优异的成绩,但冠军队 Automatoes 在作物净利润、AI 应用、可持续性三个方面都更胜一筹,他们是怎么做到的呢?

首先,冠军队伍对第一届黄瓜比赛做了非常深入的数据分析,找到了最优的决策区间,利用 DeePC 控制算法结合专家经验使得作物在最佳条件下生长,并用最小的资源损耗实现这些控制。

其次,他们选择少量但多次连续地增加茎杆密度,使得种植资源在作物生长的不同阶段得到充分利用。

最后,他们利用计算机视觉等技术识别和跟踪果实的数量和大小,以及整株作物的生长状态,以便更及时地做出控制调整,在更细的时间粒度下实现最优控制。

除了冠军团队,其他组提出的方案也颇具启发性,如韩国的 Digilog 团队提出利用强化学习算法,通过有效结合历史数据、实时数据及仿真器反馈进行训练,从而输出连续的控制策略。

在本届大赛赛果公布之际,上一届比赛积累的成果也已经在国内落地。在农业大省辽宁,腾讯 AI Lab 利用去年获胜团队 iGrow 的 AI 策略开展了两期种植试点。上个月,第一期番茄试点迎来“小丰收”,每亩每季净利润增加数千元。

随着全球范围的人口老龄化和过度灌溉及施肥造成的水土流失及土壤污染,农业急需从粗放走向精细,同时提高产量、资源利用率和利润,从而缓解全球性饥荒和环境污染问题。AI 技术的引入,可以帮助我们高效地利用传感器监测数据提取特征规律,同时借助集成了大量人类专家经验的仿真器进行模拟、探索和优化,形成一套实时、精准、可迁移的决策技术方案。这对解决全球的粮食危机、环境污染、能源紧张、人口老龄化等问题都有着非常积极的意义。

产业AI比赛传感器智慧农业腾讯AI Lab
暂无评论
暂无评论~